mempalace

name	mempalace
description	Sistema de memoria AI local-first con ChromaDB — 96.6% R@5 en LongMemEval sin API calls
url	https://github.com/MemPalace/mempalace
category	ia
fecha	2026-06-06T00:00:00.000Z

¿Qué hace?

MemPalace es un sistema de memoria para IA que almacena historiales de conversación como texto verbatim (sin resumir, extraer ni parafrasear) y los recupera mediante búsqueda semántica. Su arquitectura usa una metáfora de palacio: personas y proyectos se convierten en alas (wings), temas en habitaciones (rooms), y el contenido original vive en cajones (drawers). Esto permite hacer búsquedas acotadas en lugar de consultar un corpus plano.

Es local-first: nada sale de tu máquina a menos que lo configures explícitamente. Usa ChromaDB como backend por defecto, pero la interfaz es reemplazable (hereda de mempalace/backends/base.py). No requiere claves API para el camino base.

Incluye un grafo de conocimiento temporal con ventanas de validez, 29 herramientas MCP, soporte para agentes especialistas con ala y diario propios, y hooks de auto-guardado para Claude Code.

Casos de uso

• Persistencia de contexto entre sesiones: Guardar automáticamente las conversaciones de Claude Code, Gemini CLI, u otros agentes para recuperarlas en sesiones futuras.
• Búsqueda semántica en historial personal: Encontrar respuestas a preguntas como "¿por qué cambiaron a GraphQL?" revisando conversaciones pasadas.
• Carga de contexto para nuevas sesiones: Usar mempalace wake-up para cargar información relevante antes de empezar una sesión de trabajo.
• Minado de proyectos: Indexar archivos de proyectos enteros para que el agente pueda buscar en tu código y documentación.
• Integración MCP: Exponer 29 herramientas MCP para que cualquier agente pueda leer/escribir en la base de memoria.

Snippets útiles

# Instalación con uv (recomendado)
uv tool install mempalace
mempalace init ~/projects/myapp

# Minar contenido en la memoria
mempalace mine ~/projects/myapp                    # archivos de proyecto
mempalace mine ~/.claude/projects/ --mode convos   # sesiones de Claude Code

# Buscar en la memoria
mempalace search "por qué cambiaron a GraphQL"

# Cargar contexto relevante para nueva sesión
mempalace wake-up

# Escanear transcripciones para recall por mensaje
mempalace sweep ~/.claude/projects/transcript-dir

# Instalación con pip en virtualenv
python -m venv .venv && source .venv/bin/activate
pip install mempalace
import mempalace

# Ejecutar benchmarks locales
git clone https://github.com/MemPalace/mempalace.git
cd mempalace
uv sync --extra dev
uv run python benchmarks/longmemeval_bench.py /path/to/longmemeval_s_cleaned.json

Cómo integrarlo

1. Instalar: uv tool install mempalace (aislado, sin conflictos PEP 668)
2. Inicializar: mempalace init ~/projects/myapp — crea la estructura de palacio
3. Configurar embedding: La instalación ofrece embeddinggemma-300m (multilingüe, 100+ idiomas) o all-MiniLM-L6-v2 (inglés, ~30 MB)
4. Minar contenido: mempalace mine <directorio> para indexar archivos o sesiones
5. Hooks de Claude Code: Configurar los hooks de retención para auto-guardado periódico y antes de compresión de contexto
6. MCP Server: Exponer las 29 herramientas MCP para integración con agentes externos

Modelos de embedding: embeddinggemma-300m (100+ idiomas, recomendado) o all-MiniLM-L6-v2 (inglés, 30 MB). ~300 MB de disco para el modelo.

Pitfalls

• No usar en global site-packages: Instalar siempre en entorno aislado (uv tool install o pipx) para evitar conflictos con PEP 668 en Debian/Ubuntu/Homebrew.
• Cuidado con dominios impostores: Solo las fuentes oficiales son GitHub, PyPI y mempalaceofficial.com. Cualquier otro dominio puede distribuir malware.
• Sesiones de Claude Code expiran en 30 días: Sin hooks de auto-guardado configurados, las sesiones de Claude Code se pierden. Configurar los hooks antes de trabajar con contenido crítico.
• Benchmark "raw" vs "reranked": El 96.6% R@5 raw no requiere LLM ni API key. El 98.4% hybrid y ≥99% reranked sí requieren configuración adicional. No confundir los números.
• ChromaDB requiere ~300 MB: El modelo de embedding ocupa espacio. Si tienes restricciones de disco, considera all-MiniLM-L6-v2 (~30 MB).

Fecha

2026-06-06 → 2026-06-08: 50k⭐ → 53.9k⭐ (+3.9k) 2026-06-09: 53.9k⭐ → 55k⭐ (+1.1k), 29 herramientas MCP, grafo de conocimiento temporal, 96.6% R@5 en LongMemEval